一种基于深度神经网络的轻量级语义分割方法技术

一种基于深度神经网络的轻量级语义分割方法，该方法包括：S100：构建轻量级语义分割网络，所述轻量级语义分割网络为全局

【技术实现步骤摘要】
一种基于深度神经网络的轻量级语义分割方法


[0001]本公开属于神经网络和图像处理
，具体涉及一种基于深度神经网络的轻量级语义分割方法。

技术介绍

[0002]语义分割是将图像分割成具有不同语义类别的区域，可以看作是像素分类任务，已成功应用于许多视觉相关的场景中，如自动驾驶、医学图像分割和3D场景识别等。近年来，语义分割取得优异的性能得益于卷积神经网络的发展，特别是全卷积网络(Fully Convolutional Networks，FCN)的提出，它利用卷积神经网络(Convolutional Neural Network，CNN)实现了像素点到像素类别的预测。
[0003]目前越来越多的视觉应用场景(如自动驾驶、机器人等)对分割算法的速度有着较高的需求。以FCN为基础出现的一系列分割方法大都使用深而宽的主干网络提取特征，这需要大量的参数以及较长的推理时间，忽略了计算效率、参数量以及内存占用等因素，难以将其应用到系统资源受限的场景中。人们对构建轻量级的分割模型进行了大量研究，现有的轻量级语义分割网络大致分为两类：(1)基于连续下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的轻量级语义分割方法，包括如下步骤：S100：构建轻量级语义分割网络，所述轻量级语义分割网络为全局
‑
局部上下文网络GLCNet，该GLCNet网络结构包括卷积块模块、下采样模块、全局
‑
局部上下文GLC模块和多分辨率融合MRF模块；S200：利用该轻量级语义分割网络对输入图像进行语义分割。2.根据权利要求1所述的方法，其中，优选的，所述步骤S100中的卷积块模块包括一个用于维度变换的3
×
3卷积，一个用于通道间交互的1
×
1卷积和一个步长为2的3
×
3卷积。3.根据权利要求1所述的方法，其中，所述步骤S100中的下采样模块包括步长为2的3
×
3卷积和步长为2的2
×
2池化。4.根据权利要求1所述的方法，其中，所述步骤S100中的全局
‑
局部上下文GLC模块由全局信息提取器分支和局部上下文信息提取器分支组成。5.根据权利要求4所述的方法，其中，在每个全局
‑
局部上下文GLC模块的开始，使用3
×
3卷积将输入特征F
in
∈R
C
×
H
×
W
的通道数减半，其输出表示为F
out
，将其作为全局信息提取器分支和局部上下文信息提取器分支这两分支的输入，其中R为实数域，C为F
in
的通道数，H为F
in
的高度，W为F
in
的宽度。6.根据权利要求5所述的方法，其中，所述全局信息提取器分支使用多频谱通道注意力捕获特征信息，其捕获特征信息的具体过程为：首先将F
out
∈R
C
′×
H
×

【专利技术属性】
技术研发人员：马素刚，陈期梅，蒲磊，杨小宝，侯志强，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：